algoritma k-means dengan knn untuk menentukan...
TRANSCRIPT
ARTIKEL
PENERAPAN DATA MINING MENGGUNAKAN KOMBINASI
ALGORITMA K-MEANS DENGAN KNN UNTUK MENENTUKAN
SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA
SEJAHTERA
Oleh:
ARI ANDRIYANSYAH
14.1.03.02.0035
Dibimbing oleh :
1. Resty Wulanningrum, M. Kom.
2. Intan Nur Farida, M. Kom.
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
2019
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
PENERAPAN DATA MINING MENGGUNAKAN KOMBINASI
ALGORITMA K-MEANS DENGAN KNN UNTUK MENENTUKAN
SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA
SEJAHTERA
Ari Andriyansyah
14.1.03.02.0035
Fakultas Teknik – Program Studi Teknik Informatika
-
Resty Wulanningrum, M. Kom.1 dan Intan Nur Farida, M. Kom.2
UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK
CV. Borobudur Prima Sejahtera merupakan salah satu perusahaan yang bergerak
dalam bidang distribusi makanan ringan. Tidak hanya CV. Borobudur Prima Sejahtera masih
cukup banyak perusahaan-perusahaan lain yang bergerak dalam bidang yang serupa. Hal itu
tentu saja menimbulkan persaingan bisnis antar perusahaan dan harus selalu memikirkan cara-
cara untuk terus survive dan jika mungkin mengembangkan skala bisnis mereka. Untuk
mencapai hal itu, ada tiga kebutuhan bisnis yang dapat dilakukan, yaitu penambahan jenis
maupun peningkatan kapasitas produk, pengurangan biaya operasional perusahaan, dan
peningkatan efektivitas pemasaran serta keuntungan. Agar bisa memenuhi kebutuhan-
kebutuhan bisnis diatas banyak cara yang dapat ditempuh salah satunya melakukan analisis
data perusahaan CV. Borobudur Prima Sejahtera.
Dalam laporan ini menjelaskan penelitian, perencanaan serta pengimplementasian
hasil penjualan serta untuk mengetahui wilayah dan produk yang penjualannya rendah.
Dengan menggunakan kombinasi metode K-Means dan K-Nearest Neighbor (KNN) sebagai
metode dalam mengetahui tingkat penjualan wilayah serta produk yang paling rendah, sang
penulis juga menggunakan notepad++ sebagai editor, XAMPP sebagai controller,
PHPMyAdmin sebagai DBMS, bahasa pemrograman HTML5, PHP, CSS, dan JS(Javascript)
menjadi sebuah website.
Permasalahan penelitian ini adalah Bagaimana cara menerapkan data mining pada
penjualan produk makanan ringan di CV. Borobudur Prima Sejahtera menggunakan
kombinasi metode proses K-Means dan K-Nearest Neighbor (KNN)? Bagaimana merancang
sebuah sistem untuk mengetahui sasaran promosi penjualan?
Kesimpulan Sistem berhasil dibangun untuk menerapkan data mining pada penjualan
produk makanan ringan di CV. Borobudur Prima Sejahtera menggunakan kombinasi metode
K-Means dan K-Nearest Neighbor (KNN) dengan hasil akhir yang lebih mudah dipahami dan
lebih optimal. Perancangan sistem menggunakan kombinasi metode K-Means dan K-Nearest
Neighbor (KNN) bisa digunakan untuk mengetahui sasaran promosi penjualan.
Pada proses pengujian, seluruh menu dan tombol telah diuji dan sesuai dengan
rancangan awal oleh penulis. Sehingga “PENERAPAN DATA MINING MENGGUNAKAN
KOMBINASI METODE ALGORITMA K-MEANS DENGAN KNN UNTUK
MENENTUKAN SASARAN PROMOSI PENJUALAN PADA CV. BOROBUDUR PRIMA
SEJAHTERA” dapat digunakan oleh pengguna dengan baik.
Kata kunci : Clustering, Klasifikasi, Website, K-Means, K-Nearest Neighbor (KNN).
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 3||
I. LATAR BELAKANG
CV. Borobudur Prima Sejahtera
merupakan salah satu perusahaan yang
bergerak dalam bidang distribusi
makanan ringan. Tidak hanya CV.
Borobudur Prima Sejahtera masih
cukup banyak perusahaan-perusahaan
lain yang bergerak dalam bidang yang
serupa. Hal itu tentu saja menimbulkan
persaingan bisnis antar perusahaan dan
harus selalu memikirkan cara-cara
untuk terus survive dan jika mungkin
mengembangkan skala bisnis mereka.
Untuk mencapai hal itu, ada tiga
kebutuhan bisnis yang dapat dilakukan,
yaitu penambahan jenis maupun
peningkatan kapasitas produk,
pengurangan biaya operasional
perusahaan, dan peningkatan efektivitas
pemasaran serta keuntungan. Agar bisa
memenuhi kebutuhan-kebutuhan bisnis
diatas banyak cara yang dapat ditempuh
salah satunya melakukan analisis data
perusahaan CV. Borobudur Prima
Sejahtera.
CV. Borobudur Prima Sejahtera
menjual produk makanan ringan ke
toko-toko. Perusahaan ingin mengetahui
jumlah penjualan makanan ringan pada
masing-masing wilayah di Kabupaten
Kediri dengan melihat trend penjualan
total dan per produk makanan ringan
yang diminati masyarakat. Dari data
tersebut dapat menjadi perbandingan
penjualan per Kecamatan diwilayah
Kabupaten Kediri dan berdasarkan data
tersebut perusahaan dapat melihat
penjualan produk diwilayah tersebut
berjalan sukses atau tidak.
Data mining sendiri adalah disiplin
ilmu yang mempelajari metode untuk
mengekstrak pengetahuan atau dari
suatu data. Data mining dapat
digunakan untuk pengelompokan data,
memprediksi, mengestimasi, dan
menentukan kaidah asosiasi dalam
suatu data yang ada. Perlunya data
mining karena adanya sejumlah besar
data yang dapat digunakan untuk
menghasilkan informasi yang berguna.
Pada penelitian ini terdapat
masalah dalam menentukan sasaran
promosi penjualan dan oleh sebab itu
akan dibuat sebuah sistem yang mampu
mengolah data yang ada, serta
menjadikan sebuah informasi wilayah
mana yang hasil penjualan produk
makanan ringan paling rendah di
Kabupaten Kediri, dengan melakukan
strategi bisnis dalam bentuk promosi
agar bisa mendongkrak penjualan di
wilayah tersebut. Didalam penelitian ini
pihak yang akan menjadi obyek yaitu
CV. Borobudur Prima Sejahtera.
Berdasarkan pemaparan singkat tentang
beberapa hal diatas yang menjadi
landasan untuk dilakukanya penelitian
ini, maka akan menghasilkan sebuah
aplikasi yang diharapkan dapat
menampilkan hasil dari data mining
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 4||
dengan kombinasi metode K-Means dan
K-Nearest Neighbor (KNN). Dengan
menghitung rata-rata penjualan per
kecamatan diwilayah Kabupaten Kediri.
II. METODE PENELITIAN
1. Algoritma K-Means
K-Means Clustering
merupakan salah satu metode data
Clustering non-hirarki yang
mengelompokkan data dalam
bentuk satu atau lebih
cluster/kelompok. Data-data yang
memiliki karakteristik yang
berbeda dikelompokkan dengan
cluster/kelompok memiliki tingkat
variasi yang kecil.
𝑑𝑖𝑗 = √∑ {𝑥𝑖𝑘 − 𝑥𝑗𝑘}𝑝𝑘=1
2
…..1).
Keterangan :
dij = Jarak objek antara
objek i dan j
P = Dimensi data
Xik = Koordinat dari objek i
pada dimensi k
Xjk = Koordinat dari objek j
pada dimensi k
2. K-Nearest Neighbor (KNN)
Algoritma K-Nearest
Neighbor (KNN) adalah sebuah
metode untuk melakukan
klasifikasi terhadap objek
berdasarkan data contoh yang
mempunyai jarak paling dekat
dengan objek tersebut.
Algoritma ini hanya
melakukan penyimpanan dan
klasifikasi data contoh. Pada fase
klasifikasi, fitur-fitur yang sama
dihitung untuk testing data
(klasifikasinya belum diketahui).
Jarak dari data contoh yang baru ini
terhadap seluruh data contoh
dihitung, dan sejumlah K yang
paling dekat diambil. Titik yang
baru klasifikasinya diprediksikan
termasuk pada klasifikasi terbanyak
dari titik-titik tersebut.
d(a, b) = √∑ (𝑎𝑘 − 𝑏𝑘𝑑𝑘=1 )² …..2)
Keterangan :
d (a, b) : Jarak skalar dari kedua
vektor a dan b dari matriks
dengan ukuran d dimensi.
d : Dimensi Data.
Ak : Koordinat dari obyek a
pada dimensi k.
bk : Koordinat dari obyek b
pada dimensi k.
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 5||
III. HASIL DAN PEMBAHASAN
Pembahasan terhadap hasil
penelitian dan pengujian yang diperoleh
disajikan dalam bentuk uraian teoritik,
baik secara kualitatif maupun kuantitatif.
Hasil percobaan sebaiknya ditampilkan
dalam berupa grafik atau pun tabel. Untuk
grafik dapat mengikuti format untuk
diagram dan gambar.
Simulasi perhitungan untuk
menentukan sasaran promosi penjualan
dengan kombinasi metode algoritma K-
Means dan Algoritma K-Nearest
Neighbor (KNN) menggunakan 25 data
wilayah dan 5 data produk yang telah
dihitung dengan merinci.
Tabel 1. Data Transaksi Penjualan
No. Kecamatan
Jumlah Penjualan Barang
Total
Better
Kis
Barley
Kis
Cherry Bengbeng
Choky-
Choky
1 Badas 2340 198 299 4400 8140 15377
2 Banyakan 7940 1435 1423 13527 12800 37125
3 Gampengrejo 9000 1044 1141 16394 14350 41929
4 Grogol 23060 4372 5004 28819 55500 116755
5 Gurah 104000 6027 6276 129328 73401 319032
6 Kandangan 13880 5283 6646 59556 43980 129345
7 Kandat 22259 3808 3600 50316 40769 120752
8 Kayen Kidul 2940 636 589 7500 11180 22845
9 Kepung 20890 4054 3779 39777 31124 99624
10 Kunjang 2280 1180 1230 6219 9620 20529
11 Kras 18900 2694 2362 38080 40673 102709
12 Ngadiluwih 52050 7871 6454 96547 92301 255223
13 Ngancar 9350 1559 1606 18758 12170 43443
14 Ngasem 17270 4705 4100 47652 30616 104343
15 Pagu 68524 5081 5821 105720 94280 279426
16 Papar 4320 871 799 9420 9720 25130
17 Pare 103000 6000 6200 128228 72500 315928
18 Plemahan 7880 1820 1720 17522 15060 44002
19 Plosoklaten 10090 2120 2027 27913 35038 77188
20 Puncu 11990 2194 2259 19198 17731 53372
21 Purwoasri 5390 1154 1196 22520 10060 40320
22 Ringinrejo 39410 5257 4598 70482 72300 192047
23 Semen 31530 4140 4235 43480 30045 113430
24 Tarokan 13950 2803 3056 23035 21961 64805
25 Wates 35270 7291 7616 115545 78877 244599
Keterangan :
Tabel 1 merupakan tabel data hasil
penjualan pada CV. Borobudur Prima
Sejahtera selama tahun 2018. Dari data
hasil penjualan tersebut akan dilakukan
perhitungan untuk menghitung wilayah
serta produk yang penjualannya rendah.
Tabel 2. Data penjualan tiap wilayah
selama 3 periode
No. Kecamatan
Jumlah Penjualan/Periode
Total Jan-
Apr
Mei-
Agu
Sep-
Des
1 Badas 5377 5500 4500 15377
2 Banyakan 11500 13125 12500 37125
3 Gampengrejo 14500 13929 13500 41929
4 Grogol 40000 39755 37000 116755
5 Gurah 105000 108032 106000 319032
6 Kandangan 39500 45345 44500 129345
7 Kandat 42500 40752 37500 120752
8 Kayen Kidul 6500 7500 8845 22845
9 Kepung 34624 31500 33500 99624
10 Kunjang 6529 7000 7000 20529
11 Kras 35246 34074 33389 102709
12 Ngadiluwih 84488 85618 85267 255373
13 Ngancar 14804 14489 14150 43443
14 Ngasem 35014 34797 34532 104343
15 Pagu 93134 93910 92382 279426
16 Papar 8424 8320 8386 25130
17 Pare 104800 105274 104854 314928
18 Plemahan 14709 14616 14677 44002
19 Plosoklaten 25768 25790 25630 77188
20 Puncu 17786 17708 17878 53372
21 Purwoasri 13485 13488 13347 40320
22 Ringinrejo 63924 64015 64108 192047
23 Semen 37832 37827 37771 113430
24 Tarokan 21503 21680 21622 64805
25 Wates 81438 81644 81153 244235
Keterangan :
Tabel 2 adalah data hasil penjualan tiap
wilayah berdasarkan 3 periode/bulan
selama tahun 2018 untuk mengetahui
wilayah yang penjualannya rendah.
Tabel 3. Centroid awal
C1 105000 108032 106000
C2 24562 26842 23500
C3 5377 5500 4500
Tabel 4. Tabel hasil Perhitungan K-Means
pada wilayah/kecamatan terendah
No Kecamatan
Cluster 3
Total Jan-
Apr
Mei-
Agu
Sep-
Des
1 Badas 5377 5500 4500 15377
2 Banyakan 11500 13125 12500 37125
3 Gampengrejo 14500 13929 13500 41929
4 Kayen Kidul 6500 7500 8845 22845
5 Kunjang 6529 7000 7000 20529
6 Ngancar 14804 14489 14150 43443
7 Papar 8424 8320 8386 25130
8 Plemahan 14709 14616 14677 44002
9 Plosoklaten 25768 25790 25630 77188
10 Puncu 17786 17708 17878 53372
11 Purwoasri 13485 13488 13347 40320
12 Tarokan 21503 21680 21622 64805
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 6||
Penyelesaian :
1. Hitung jarak data ke-1 dengan C1 :
= √(5377-105000)2 + (5500-108032)2
+ (4500-106000)2
= √(-99623)² + (-102532)² + (-
101500)²
= √9924742129 + 10512811024 +
10302250000
= √30739803153 = 175327,7022
2. Hitung jarak data ke-1 dengan C2 :
= √(5377-24562)2 + (5500-26842)2 +
(4500-23500)2
= √(-19185)² + (-21342)² + (-19000)²
= √368064225 + 455480964 +
361000000
= √1184545189 = 34417,22227
3. Hitung jarak data ke-1 dengan C3 :
= √(5377-5377)2 + (5500-5500)2 +
(4500-4500)2
= √(0)² + (0)² + (0)²
= √0 + 0 + 0
= √0 = 0
Dst sampai perhitungan data yang ke 25
dan sampai inisiasi dari perhitungan
sebelumnya dengan selanjutnya sama.
Keterangan :
Dari hasil perhitungan yang ditunjukkan
pada tabel 4 dengan menggunakan metode
Algoritma K-Means yang sudah dijelaskan
diatas maka didapatkan hasil penjualan
wilayah/kecamatan yang penjualannya
rendah, setelah hasil didapatkan
perhitungan akan diteruskan dengan
menggunakan metode Algoritma K-
Nearest Neighbor (KNN) untuk
menentukan produk pada wilayah yang
penjualannya rendah.
Tabel 5. Hasil perhitungan dengan
wilayah/kecamatan terendah
No. Kecamatan
Jumlah Penjualan Barang
Total
Better
Kis
Barley
Kis
Cherry Bengbeng
Choky-
Choky
1 Badas 2340 198 299 4400 8140 15377
2 Banyakan 7940 1435 1423 13527 12800 37125
3 Gampengrejo 9000 1044 1141 16394 14350 41929
4 Kayen Kidul 2940 636 589 7500 11180 22845
5 Kunjang 2280 1180 1230 6219 9620 20529
6 Ngancar 9350 1559 1606 18758 12170 43443
7 Papar 4320 871 799 9420 9720 25130
8 Plemahan 7880 1820 1720 17522 15060 44002
9 Plosoklaten 10090 2120 2027 27913 35038 77188
10 Puncu 11990 2194 2259 19198 17731 53372
11 Purwoasri 5390 1154 1196 22520 10060 40320
12 Tarokan 13950 2803 3056 23035 21961 64805
Tabel 6. Bobot awal Produk
Produk
Better
Kis
Barley
Kis
Cherry Bengbeng
Choky-
Choky
2280 198 299 4400 8140
Keterangan :
Data yang terdapat pada tabel 5 didapatkan
dari hasil perhitungan sebelumnya
menggunakan metode Algoritma K-
Means.
Penyelesaian :
1. Hitung jarak data ke-1 dengan bobot
tiap produk :
= √(2340-2280)
= √(60)² = √3600 = 60
Dst sampai perhitungan tiap produk
perhitungan data yang ke-12 selesai.
Tabel 7. Hasil perhitungan KNN
No. Kecamatan
Jarak
Better Kis
Barley
Kis
Cherry Bengbeng
Choky-
Choky
1 Badas 60 0 0 0 0
2 Banyakan 5660 1237 1124 9127 4660
3 Gampengrejo 6720 846 842 11994 6210
4 Kayen Kidul 660 438 290 3100 3040
5 Kunjang 0 982 931 1819 1480
6 Ngancar 7070 9152 9051 4950 1210
7 Papar 2040 4122 4021 80 3820
8 Plemahan 5600 7682 7581 3480 260
9 Plosoklaten 7810 9892 9791 5690 1950
10 Puncu 9710 11792 11691 7590 3850
11 Purwoasri 3110 5192 5091 990 2750
12 Tarokan 11670 13752 13651 9550 5810
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 7||
Keterangan :
Hasil terakhir dari perhitungan
yang ditunjukkan pada tabel 7 yaitu :
1. Kecamatan Badas : Kis Barley, Kis
Cherry, Bengbeng, Choky-choky.
2. Kecamatan Kunjang : Better.
Perusahaan dapat mengidentifikasi
wilayah/kecamatan dan produk yang
penjualannya paling rendah. Dari hasil
tersebut dapat disimpulkan bahwa wilayah
serta produk yang disebut diatas
merupakan sasaran promosi penjualan
yang dilakukan oleh perusahaan agar
penjualannya meningkat.
Alur simulasi DFD Level 1 pada
sistem penentuan sasaran promosi
penjualan dapat dilihat pada gambar
dibawah ini :
Gambar 1. Proses DFD level 1
Pada gambar diatas diketahui terdpadat
satu entitas yaitu seorang admin. Admin
melakukan proses login kedalam sistem
dengan menginputkan username dan
password, inputan tersebut akan dicari
kecocokannya dengan tabel user, apabila
ditemukan maka admin dapat melakukan
proses selanjutnya. Setelah proses login,
maka ada empat proses lanjutan yang
hanya dapat diakses oleh Admin. Proses
pertama adalah Proses Input, proses ini
mengolah input data produk yang disimpan
dalam tabel produk, input data wilayah
yang akan disimpan pada tabel wilayah,
input data bobot yang akan disimpan
dalam tabel bobot dan input data cluster
yang akan disimpan dalam tabel cluster.
Proses kedua yaitu Proses data penjualan,
proses ini mengolah inputan data
penjualan yang disimpan dalam tabel
penjualan. Proses ketiga yaitu proses K-
Means yang merupakan proses perhitungan
untuk menentukan wilayah yang
penjualannya rendah dari hasil penjualan 3
periode selama tahun 2018. Yang terakhir
Proses KNN, merupakan proses lanjutan
perhitungan K-Means yang hasil dari
proses tersebut dihitung kembali untuk
menentukan produk di wilayah/kecamatan
yang penjualannya paling rendah. Setelah
itu admin dapat melihat hasil dari PrinOut
sistem yang ditunjukkan pada gambar 2.
Gambar 2. PeintOut Hasil Sistem
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 8||
IV. PENUTUP
Dari hasil dan pembahasan
penelitian yang telah dilakukan dapat
disimpulkan bahwa Data Mining Prediksi
Masa Studi Mahasiswa Dengan
Menggunakan Algoritma Similarity
Jaccard Coefficient telah memenuhi
point-point dibawah ini :
1. Aplikasi Sistem Menggunakan
Kombinasi Metode Algoritma K-
Means Dengan Algoritma K-Nearest
Neighbor (KNN) Untuk Menentukan
Sasaran Promosi Penjualan ini
memberikan kemudahan kepada pihak
CV. Borobudur Prima Sejahtera dalam
mengidentifikasi wilayah/kecamatan
dan produk yang paling rendah.
2. Memberikan kemudahan pada pihak
CV. Borobudur Prima Sejahtera untuk
mencari solusi dalam mengatasi rasio
tingkat penjualan paling rendah
dengan melakukan promosi penjualan.
V. DAFTAR PUSTAKA
Arsyad, Al, Deny. 2007. Aplikasi Berbasis
Web Jurnal Bahasa Pemrograman
di akses pada 12 Desember 2012.
Azzolini J, “Introduction to Systems
Engineering Practices”, 2000.
Dickry Maulana, Muhammad Ihsan Zul,
Silvana Rasio Henim 2014. Sistem
Cerdas Untuk Rekomendasi
Kelayakan Penjualan Mobil Bekas
Dengan Menggunakan Kombinasi
Algoritma K-Means dan KNN.
Jurnal Aksara Komputer Terapan,
Vol 3 (1).
Elly Muningsih, Sri Kiswati. 2015.
Penerapan Metode K-Means Untuk
Clustering Produk Online Shop
Dalam Menentukan Stok Barang.
Jurnal Bianglala Informatika,Vol 3
(1): 10-17.
Frengki Prasetyo. 2017. Sistem
Rekomendasi Penjualan Hasil
Bumi Menggunakan Metode K-
Means. Simki-Techsain,Vol. 1 (10):
1-7.
James D, Il-Yeong Song, Ioanna L, “An
Analysis of Structural Validity in
Entity-Relationship Modeling”,
Drexel University College of
Information Science and
Technology, Philadelphia, 2002.
Kadir, Abdul. 2009. Membuat Aplikasi
Web dengan PHP+Database
MySQL. Yogyakarta : Andi Offset
Kustiyaningsih, Yeni., R.A. Devie. 2011.,
Pemrograman Basis Data Berbasis
Web Menggunakan PHP &
MySQL. Yogyakarta : Graha Ilmu.
Pahlevy, Adam, “Membuat Aplikasi Rental
Movie dengan Visual basic 6.0”,
Jakarta:Elex Media Komputindo,
2010.
Pramudiono, Iko. (2009). Pengantar Data
Mining : Menambang Permata di
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Ari Andriyansyah | 14.1.03.02.0035 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 10||
Gunung Data,
http://ilmukomputer.org/2008/11/2
5/pengantardata-mining.
Santoso, S. 2010. Statistik Multivariat.
Jakarta: Elex Media Komputindo.
SEVOCAB: Software and Systems
Engineering Vocabulary, 31 July
2008.
Sutrisno, Afriyudi, Widiyanto. 2013.
Penerapan Data Mining Pada
Penjualan Menggunakan Metode
Clustering. Jurnal Ilmiah Teknik
Informatika Ilmu Komputer, Vol.
10 (10): 1-11.
Syaifullah (2010:15), Dalam aplikasinya,
data mining sebenarnya merupakan
bagian dari proses Knowledge
Discovery in Database (KDD)
Tahta Alfina, Budi Santosa, dan Ali Ridho
Barakbah. 2012. Analisa
Perbandingan Metode Hierarchical
Clustering, K-Means dan
Gabungan Keduanya Dalam
Membentuk Cluster Data. Fakultas
Teknologi Industri, Institut
Teknologi Sepuluh Nopember
(ITS) Jl. Arief Rachman Hakim,
Surabaya 60111.
Teddy Sanjaya. 2013. Penerapan Data
Mining Untuk Meningkatkan
Penjualan Pupuk Di Pemasaran
Pusri Daerah Sumatera Selatan.
Jurnal Ilmiah Teknik Informatika
Ilmu Komputer, Vol 10 (10): 1-9.
Vena Bestania Guslina. 2017. Penerapan
Metode Clustering Untuk
Mendukung Strategi Penjualan Dan
Rekomendasi Menu Di Kafe
Kennedy. Simki-Techsain, Vol. 1
(9): 1-8.
Wahana Komputer. 2009. ShortCouse:
PHP Progamming. Yogyakarta:
Andi
Winarno, Edy, dan Priyo Utomo, 2010. 8
jam menaklukan internet dan
membuat website sendiri,
Yogyakarta : GARAHILMU.
Windyana, Putri. 2009. Pemrograman Web
Dengan PHP. (online). tersedia:
https://adhelesmana.files.wordpress
.com/pemrograman-web-dengan-
php-tugas-3.doc, diunduh 03
Januari 2018
Yoppy Ratna Arianto. 2016. Penerapan
Data Mining Pada Penjualan
Hardisk Untuk Optimalisasi
Distribusi Menggunakan Metode
Clustering. Skripsi. Tidak
dipublikasikan. Kediri. Fakultas
Teknik-Prodi Teknik Informatika
Universitas Nusantara PGRI.